Pytorch_DDC（深度网络自适应，以resnet50为例）代码解读

最近跑了一下王晋东博士迁移学习简明手册上的深度网络自适应DDC（Deep Domain Confusion）的代码实现，在这里做一下笔记。
来源：Githup开源链接

总结代码的大体框架如下：
1.数据集选择：office31
2.模型选择：Resnet50

3.所用到的.py文件如下图所示：

下面来一个模块一个模块分析：

data_loader.py

from torchvision import datasets, transforms
import torch

#参数为 下载数据集的路径、batch_size、布尔型变量判断是否是训练集、数据加载器中的进程数
def load_data(data_folder, batch_size, train, kwargs):
    transform = {
   
   
        'train': transforms.Compose(
            [transforms.Resize([256, 256]),
                transforms.RandomCrop(224),
                transforms.RandomHorizontalFlip(),
                transforms.ToTensor(),
                transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                  std=[0.229, 0.224, 0.225])]),
        'test': transforms.Compose(
            [transforms.Resize([224, 224]),
                transforms.ToTensor(),
                transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                  std=[0.229, 0.224, 0.225])])
        }
    data = datasets.ImageFolder(root = data_folder, transform=transform['train' if train else 'test'])
    data_loader = torch.utils.data.DataLoader(data, batch_size=batch_size, shuffle=True, **kwargs, drop_last = True if train else False)
    return data_loader

分析：
这部分代码与我之前写过的的finetune代码中的dataload部分大同小异，具体可参考我的上一篇文章Pytorch_finetune代码解读，这部分主要是处理实验所用的数据，使之可以直接输入到模型，参数在注释里列出。

bckbone.py

import numpy as np
import torch
import torch.nn as nn
import torchvision
from torchvision import models
from torch.autograd import Variable

#这里列出的是resnet50的网络
class ResNet50Fc(nn.Module):
    def __init__(self):
        super(ResNet50Fc, self).__init__()
        model_resnet50 = models.resnet50(pretrained=True)
        self.conv1 = model_resnet50.conv1
        self.bn1 = model_resnet50.bn1
        self.relu = model_resnet50.relu
        self.maxpool = model_resnet50.maxpool
        #resnet有四个block，每个block的层数分别为layers=[3,4,6,3]
        self.layer1 = model_resnet50.layer1
        self.layer2 = model_resnet50.layer2
        self.layer3 = model_resnet50.layer3
        self.layer4 = model_resnet50.layer4

        self.avgpool = model_resnet50.avgpool
        #获取全连接层的输入特征
        self.__in_features = model_resnet50.fc.in_features

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)
        x = self.avgpool(x)
        x = x.view(x.size(0), -1)
        return x

    def output_num(self):
        return self.__in_features
        
 network_dict = {
   
   "alexnet": AlexNetFc,
                "resnet18": ResNet18Fc,
                "resnet34": ResNet34Fc,
                "resnet50": ResNet50Fc,
                "resnet101": ResNet101Fc,
                "resnet152": ResNet152Fc}

分析：
这部分代码实现了预模型参数的下载，这里给出了多个模型，我们只关注resnet50的模型参数即可，所以我把其他模型的配置删去了。
注意这里需要了解resnet的基本网络架构，参考资料如下：
resnet18 50网络结构以及pytorch实现代码
ResNet网络结构分析
ResNet的pytorch实现与解析

mmd.py

import torch
import torch.nn as nn


class MMD_loss(nn.Module):
    def